ИИ ускоряет выявление пригодных для лекарств целей по 3D-структурам белков и соединений

Почему ускорение разработки противораковых препаратов важно

Разработка противораковых препаратов традиционно медленна и дорога: часто требуется больше десятилетия и миллиарды долларов, прежде чем одно лекарство попадёт к пациентам. Многие многообещающие идеи терпят неудачу, потому что исследователям трудно выбрать правильные биологические мишени и отобрать нужные химические варианты из огромного множества. В этой статье объясняется, как новые формы искусственного интеллекта меняют этот процесс. Обучая компьютеры понимать трёхмерные формы белков и молекул лекарств и извлекать знания из огромных массивов генетических и клинических данных, учёные надеются находить лучшие противораковые препараты быстрее и дешевле.

От метода проб и ошибок к осознанному дизайну

Традиционный поиск лекарств по сути напоминает сложный метод проб и ошибок. Сначала исследователи выбирают несколько биологических мишеней — например белки, контролирующие рост опухолевых клеток — затем проверяют тысячи химических соединений в лаборатории, чтобы увидеть, какие из них связываются с этими мишенями. Наиболее перспективные «хиты» постепенно дорабатывают, чтобы улучшить безопасность, продолжительность присутствия в организме и способность достигать опухолей. Даже с помощью ранних поколений компьютерного моделирования этот конвейер остаётся долгим, подверженным провалам и особенно сложным в онкологии, где опухоли генетически разнообразны и быстро развивают резистентность к лечению. Обзор показывает, как ИИ опирается на старые инструменты компьютерного дизайна лекарств, но лучше подходит для работы со сложными, неустроенными данными современной биологии.

Как ИИ находит новые онкологические мишени

Одно из ключевых применений ИИ — помочь решить, на что вообще нацеливаться. Современные исследования рака порождают «мультиомные» данные — подробные измерения мутаций ДНК, активности генов, белков, химических меток на ДНК и прочих показателей. Человекам и простым алгоритмам трудно разглядеть чёткие закономерности в таком потоке информации. Системы машинного обучения могут просеивать эти смешанные источники данных, связывать их с исходами пациентов и выделять гены или пути, которые кажутся наиболее важными для конкретного рака. В статье описаны платформы, объединяющие генетические данные с закономерностями, извлечёнными из научных публикаций и клинических испытаний, чтобы ранжировать потенциальные мишени и оценивать, насколько легко их можно будет повлиять лекарством. Модели ИИ могут даже предсказывать, как однобуквенные изменения в белке или сочетания генетических уязвимостей делают опухолевые клетки особенно уязвимыми, предлагая возможности для высокоселективных терапий.

Поиск в химическом пространстве с помощью виртуального скрининга

Когда мишень выглядит перспективной, исследователи всё ещё сталкиваются с огромным пространством возможных молекул. Виртуальный скрининг использует компьютеры для моделирования того, как малые молекулы могут взаимодействовать с трёхмерной поверхностью мишени. ИИ улучшает этот этап несколькими способами. Модели глубокого обучения теперь предсказывают структуры белков напрямую по последовательностям аминокислот, предоставляя детальные формы даже при отсутствии кристаллической структуры. Другие нейросети учатся на известных комплексах белок–лиганда, чтобы быстро оценивать, насколько хорошо новые молекулы могут связываться, что позволяет учёным скринировать миллионы или даже миллиарды кандидатов in silico перед тестированием небольшой приоритетной группы в лаборатории. ИИ также усиливает методы, работающие без полной структурной информации, вычленяя тонкие связи между молекулярными признаками и биологическими эффектами и помогая отбраковывать слабые или токсичные соединения на ранней стадии.

Создание новых молекул с нуля

Помимо поиска в существующих химических библиотеках, генеративный ИИ может изобретать совершенно новые молекулы, не встречавшиеся ранее. Эти модели изучают «язык» химии и затем предлагают новые комбинации атомов, которые одновременно должны удовлетворять нескольким целям, таким как сильное связывание с онкомишенью, благоприятное поведение в организме и низкая токсичность. Некоторые системы даже условно создают дизайны на основе паттернов экспрессии генов в опухоли, фактически адаптируя кандидатов под конкретные подтипы рака. Обзор рассматривает несколько семейств генеративных моделей, каждое из которых предлагает разные компромиссы между разнообразием, реализмом и простотой синтеза. Также отмечается, что современные методы всё ещё испытывают трудности с объяснением, почему дизайн работает, и с гарантией того, что предложенные молекулы действительно можно синтезировать и протестировать.

Препятствия, этика и путь в клинику

Несмотря на впечатляющий прогресс, в статье подчёркивается, что ИИ — не волшебная кнопка. Эти модели хороши ровно настолько, насколько качественны данные, на которых они обучались, а данные могут быть неполными, смещёнными в сторону распространённых типов рака или закрытыми за платными источниками. Многие мощные нейросети работают как «чёрные ящики», из-за чего врачам и регуляторам сложно доверять их рекомендациям. Поэтому исследователи развивают методы объяснимого ИИ, которые выявляют, какие молекулярные признаки или генетические сигналы лежат в основе предсказания. Существуют и практические ограничения: запуск передовых моделей требует серьёзных вычислительных ресурсов и экспертных знаний, а использование чувствительных данных пациентов вызывает проблемы конфиденциальности и надзора. Тем не менее несколько противораковых препаратов, созданных с участием ИИ, уже вошли в клинические испытания, что даёт представление о возможностях.

Что это значит для будущей онкологической помощи

Проще говоря, в статье делается вывод, что ИИ превращает разработку лекарств из медленного, в значительной мере ручного поиска в более информированный, управляемый обратной связью процесс. Соединяя детальные представления об опухолях с точными картами форм белков и обширными химическими библиотеками, системы ИИ могут предлагать лучшие мишени, отбрасывать слабые идеи на ранних этапах и проектировать новые молекулы, адаптированные к биологии конкретных видов рака. Проблемы качества данных, прозрачности и регулирования сохраняются, но ранние клинические успехи свидетельствуют о том, что препараты, спроектированные с помощью ИИ, продвигаются от экранов компьютеров к реальным лечением. Если эти тенденции сохранятся, будущие онкологические пациенты могут получить терапии, которые появятся быстрее, будут меньше терпеть неудач и лучше соответствовать индивидуальным особенностям их болезни.

Цитирование: Li, D., Shi, S., Yu, Z. et al. AI accelerate the identification of druggable targets by 3D structures of proteins and compounds. npj Precis. Onc. 10, 133 (2026). https://doi.org/10.1038/s41698-026-01310-7

Ключевые слова: поиск противораковых препаратов, искусственный интеллект, структура белка, виртуальный скрининг, генеративный дизайн лекарств